feat: 百度通用文字识别提取供应商/日期（config api_key 持久化）

app/core/ocr/baidu_ocr.py

@@ -254,6 +254,58 @@ class BaiduOCRClient:
         
         logger.error("表格识别失败")
         return None
+
+    def recognize_general(self, image_data: Union[str, bytes]) -> Optional[List[Dict]]:
+        """通用文字识别（高精度版）：识别图片整图文字（含表格外的手写抬头/日期等）。
+
+        Returns:
+            [{'words': '...', 'probability': {...}, 'location': {...}}, ...]
+        """
+        access_token = self.token_manager.get_token()
+        if not access_token:
+            logger.error("无法获取访问令牌，无法进行通用识别")
+            return None
+
+        if isinstance(image_data, str):
+            image_data = self.read_image(image_data)
+            if image_data is None:
+                return None
+
+        url = self.config.get('API', 'general_ocr_url',
+                              fallback='https://aip.baidubce.com/rest/2.0/ocr/v1/accurate')
+        url = f"{url}?access_token={access_token}"
+        image_base64 = base64.b64encode(image_data).decode('utf-8')
+
+        payload = {
+            'image': image_base64,
+            'language_type': 'CHN_ENG',
+            'detect_direction': 'true',
+            'probability': 'true',
+        }
+        headers = {'Content-Type': 'application/x-www-form-urlencoded',
+                   'Accept': 'application/json'}
+
+        for attempt in range(self.max_retries):
+            try:
+                response = requests.post(url, data=payload, headers=headers,
+                                         timeout=self.timeout)
+                if response.status_code == 200:
+                    result = response.json()
+                    if 'error_code' in result:
+                        logger.warning(f"通用识别错误: {result.get('error_msg')}")
+                        if result.get('error_code') in (110, 111):
+                            self.token_manager.refresh_token()
+                        return None
+                    words_list = result.get('words_result') or []
+                    logger.debug(f"通用识别返回 {len(words_list)} 行文字")
+                    return words_list
+                logger.warning(f"通用识别请求失败 (尝试 {attempt+1}): {response.text[:200]}")
+            except Exception as e:
+                logger.warning(f"通用识别异常 (尝试 {attempt+1}): {e}")
+            if attempt < self.max_retries - 1:
+                time.sleep(self.retry_delay * (2 ** attempt))
+        logger.error("通用识别失败")
+        return None
     
     def get_excel_result(self, request_id_or_result: Union[str, Dict]) -> Optional[bytes]:
         """

app/core/ocr/metadata_extractor.py

@@ -0,0 +1,216 @@
+"""单据元信息识别器：从 OCR 文本中提取供应商、单据日期、应付金额。
+
+识别逻辑：
+- 供应商：取 OCR 顶部前 20 行，关键词匹配（供货单/供应商/供货方/批发/酒行/商行等）
+- 日期：全文正则匹配，标准化为 YYYYMMDD
+- 总金额：关键词优先（应付金额/实付金额/金额合计），兜底取总计行最大金额
+"""
+from __future__ import annotations
+
+import re
+from dataclasses import dataclass, field, asdict
+from typing import List, Optional, Tuple
+
+
+# 供应商关键词（命中后取该行清理结果）
+SUPPLIER_KEYWORDS = (
+    "供货单", "供应商", "供货方", "批发", "酒行", "商行",
+    "经销", "专卖店", "配送单", "送货单", "采购单", "订单",
+)
+
+# 总金额关键词（命中后取该行最近一个金额数字）
+AMOUNT_KEYWORDS = (
+    "应付金额", "实付金额", "金额合计", "应付合计", "合计金额",
+    "合计", "总计", "总计金额",
+)
+
+# 日期正则：4 种格式
+DATE_PATTERNS = [
+    # 2026年07月17日 / 2026年7月17日
+    re.compile(r'(\d{4})\s*年\s*(\d{1,2})\s*月\s*(\d{1,2})\s*日?'),
+    # 2026-07-17 / 2026/07/17 / 2026.07.17
+    re.compile(r'(\d{4})[-./](\d{1,2})[-./](\d{1,2})'),
+    # 20260717 紧邻 8 位数字
+    re.compile(r'(?<!\d)(\d{4})(\d{2})(\d{2})(?!\d)'),
+]
+
+# 金额数字正则（保留 2 位小数或整数）
+AMOUNT_PATTERN = re.compile(r'(\d{1,7}(?:,\d{3})*(?:\.\d+)?)')
+
+
+@dataclass
+class OrderMetadata:
+    supplier: str = ''
+    bill_date: str = ''           # YYYYMMDD
+    total_amount: float = 0.0
+    raw_supplier_text: str = ''
+
+    def is_complete(self) -> bool:
+        return bool(self.supplier and self.bill_date)
+
+    def to_dict(self) -> dict:
+        return asdict(self)
+
+
+class OrderMetadataExtractor:
+    """单据元信息识别器。"""
+
+    # 标题区域行数（采购单抬头 + 日期 + 供应商一般在前 20 行）
+    HEADER_LINE_LIMIT = 20
+
+    # 供应商名最大长度
+    MAX_SUPPLIER_LEN = 50
+
+    def extract(self, ocr_text: str, ocr_rows: Optional[List[List[str]]] = None) -> OrderMetadata:
+        """从 OCR 原始文本和/或解析后的二维数组提取三字段。
+
+        Args:
+            ocr_text: OCR 原始字符串全文（带换行）
+            ocr_rows: 解析后的二维数组（可选），用于 row-level 精确匹配
+
+        Returns:
+            OrderMetadata
+        """
+        text = ocr_text or ''
+        supplier, raw_supplier = self._extract_supplier(text, ocr_rows)
+        bill_date = self._extract_bill_date(text)
+        total_amount = self._extract_total_amount(text, ocr_rows)
+
+        return OrderMetadata(
+            supplier=supplier,
+            bill_date=bill_date,
+            total_amount=total_amount,
+            raw_supplier_text=raw_supplier,
+        )
+
+    # ───────────────────────────────────────────────
+    # Supplier
+    # ───────────────────────────────────────────────
+
+    def _extract_supplier(self, text: str, rows: Optional[List[List[str]]]) -> Tuple[str, str]:
+        """提取供应商名称。返回 (cleaned_name, raw_text)。"""
+        # 1) 关键词匹配：取顶部 N 行
+        header_lines = self._get_header_lines(text, self.HEADER_LINE_LIMIT)
+        for line in header_lines:
+            cleaned = self._clean_supplier_line(line)
+            if not cleaned:
+                continue
+            for kw in SUPPLIER_KEYWORDS:
+                if kw in cleaned:
+                    return self._truncate(cleaned), cleaned
+
+        # 2) 兜底：取顶部第一个"含中文且无数字行号"且长度 ≥ 4 的非空行
+        # 但排除"纯日期行"（避免把日期当供应商）
+        for line in header_lines:
+            cleaned = self._clean_supplier_line(line)
+            if not cleaned:
+                continue
+            if not (re.search(r'[\u4e00-\u9fa5]', cleaned) and len(cleaned) >= 4):
+                continue
+            # 排除：纯日期（YYYY-MM-DD / YYYY/MM/DD / YYYY年MM月DD日 / YYYYMMDD）
+            date_only = re.match(r'^\s*[\d年月日/\-\.]+\s*$', cleaned)
+            if date_only:
+                continue
+            # 排除：以"日期"开头的行（属于日期标注）
+            if re.match(r'^\s*日期[:：]?', cleaned):
+                continue
+            # 排除：以"单据"开头的行
+            if re.match(r'^\s*单据[:：]?', cleaned):
+                continue
+            return self._truncate(cleaned), cleaned
+
+        return '', ''
+
+    @staticmethod
+    def _clean_supplier_line(line: str) -> str:
+        """清理一行文本：去前后空白、去首尾日期/编号/电话/标点。"""
+        s = line.strip()
+        if not s:
+            return ''
+        # 去行首日期/编号前缀
+        s = re.sub(r'^[\s\d\-\.\/年月日:：]+', '', s)
+        # 去行尾标点
+        s = re.sub(r'[\s\.,;:：\-_/\\|]+$', '', s)
+        return s.strip()
+
+    def _truncate(self, s: str) -> str:
+        return s[:self.MAX_SUPPLIER_LEN] if len(s) > self.MAX_SUPPLIER_LEN else s
+
+    # ───────────────────────────────────────────────
+    # BillDate
+    # ───────────────────────────────────────────────
+
+    def _extract_bill_date(self, text: str) -> str:
+        """提取单据日期，标准化为 YYYYMMDD。"""
+        for pat in DATE_PATTERNS:
+            m = pat.search(text)
+            if m:
+                y, mo, d = m.group(1), m.group(2), m.group(3)
+                if self._is_valid_date(y, mo, d):
+                    return f"{y}{int(mo):02d}{int(d):02d}"
+        return ''
+
+    @staticmethod
+    def _is_valid_date(y: str, m: str, d: str) -> bool:
+        try:
+            yi, mi, di = int(y), int(m), int(d)
+        except (ValueError, TypeError):
+            return False
+        if not (1900 <= yi <= 2100):
+            return False
+        if not (1 <= mi <= 12):
+            return False
+        if not (1 <= di <= 31):
+            return False
+        return True
+
+    # ───────────────────────────────────────────────
+    # TotalAmount
+    # ───────────────────────────────────────────────
+
+    def _extract_total_amount(self, text: str, rows: Optional[List[List[str]]]) -> float:
+        """提取总金额（应付/实付/合计/总计）。"""
+        # 1) 关键词行：取该行最大数字
+        for kw in AMOUNT_KEYWORDS:
+            for line in text.splitlines():
+                if kw in line:
+                    nums = AMOUNT_PATTERN.findall(line)
+                    if nums:
+                        # 取最大的（应付通常在末尾）
+                        try:
+                            vals = [float(n.replace(',', '')) for n in nums]
+                            return max(vals)
+                        except ValueError:
+                            continue
+
+        # 2) 兜底：取全文最大金额数字（>= 1.0 且含小数点，像金额）
+        all_nums = AMOUNT_PATTERN.findall(text)
+        candidates = []
+        for n in all_nums:
+            try:
+                v = float(n.replace(',', ''))
+                if v >= 1.0 and '.' in n:
+                    candidates.append(v)
+            except ValueError:
+                continue
+        return max(candidates) if candidates else 0.0
+
+    # ───────────────────────────────────────────────
+    # Helpers
+    # ───────────────────────────────────────────────
+
+    @staticmethod
+    def _get_header_lines(text: str, n: int) -> List[str]:
+        lines = [l for l in text.splitlines() if l.strip()]
+        return lines[:n]
+
+
+def sanitize_for_filename(s: str) -> str:
+    """清理字符串为合法文件名片段：替换 Windows 非法字符为下划线。"""
+    if not s:
+        return ''
+    # Windows 非法字符
+    s = re.sub(r'[\\/:*?"<>|]', '_', s)
+    # 多余空白
+    s = re.sub(r'\s+', ' ', s).strip()
+    return s